性能：Matlab 与 Python

我最近从Matlab to Python。在转换我的一个冗长代码时，我惊讶地发现Python非常慢。我分析并追踪了一个函数占用时间的问题。该函数是从我的代码中的各个位置调用的（作为递归调用的其他函数的一部分）。探查器建议300两个地方都调用了这个函数Matlab and Python.

简而言之，以下代码总结了当前的问题：

MATLAB

包含函数的类：

classdef ExampleKernel1 < handle  
methods (Static)
    function [kernel] = kernel_2D(M,x,N,y) 
        kernel  = zeros(M,N);
        for i= 1 : M
            for j= 1 : N
                % Define the custom kernel function here
                kernel(i , j) = sqrt((x(i , 1) - y(j , 1)) .^ 2 + ...
                                (x(i , 2) - y(j , 2)) .^2 );             
            end
        end
    end
end
end

以及调用 test.m 的脚本：

xVec=[   
49.7030   78.9590
42.6730   11.1390
23.2790   89.6720
75.6050   25.5890
81.5820   53.2920
44.9680    2.7770
38.7890   78.9050
39.1570   33.6790
33.2640   54.7200
4.8060   44.3660
49.7030   78.9590
42.6730   11.1390
23.2790   89.6720
75.6050   25.5890
81.5820   53.2920
44.9680    2.7770
38.7890   78.9050
39.1570   33.6790
33.2640   54.7200
4.8060   44.3660
];
N=size(xVec,1);
kex1=ExampleKernel1;
tic
for i=1:300
    K=kex1.kernel_2D(N,xVec,N,xVec);
end
toc

给出输出

clear all
>> test
Elapsed time is 0.022426 seconds.
>> test
Elapsed time is 0.009852 seconds.

PYTHON 3.4

包含函数 CustomKernels.py 的类：

from numpy import zeros
from math import sqrt
class CustomKernels:
"""Class for defining the custom kernel functions"""
    @staticmethod
    def exampleKernelA(M, x, N, y):
        """Example kernel function A"""
        kernel = zeros([M, N])
        for i in range(0, M):
            for j in range(0, N):
                # Define the custom kernel function here
                kernel[i, j] = sqrt((x[i, 0] - y[j, 0]) ** 2 + (x[i, 1] - y[j, 1]) ** 2)
        return kernel

以及调用 test.py 的脚本：

import numpy as np
from CustomKernels import CustomKernels
from time import perf_counter

xVec = np.array([
    [49.7030,  78.9590],
    [42.6730,  11.1390],
    [23.2790,  89.6720],
    [75.6050,  25.5890],
    [81.5820,  53.2920],
    [44.9680,   2.7770],
    [38.7890,  78.9050],
    [39.1570,  33.6790],
    [33.2640,  54.7200],
    [4.8060 ,  44.3660],
    [49.7030,  78.9590],
    [42.6730,  11.1390],
    [23.2790,  89.6720],
    [75.6050,  25.5890],
    [81.5820,  53.2920],
    [44.9680,   2.7770],
    [38.7890,  78.9050],
    [39.1570,  33.6790],
    [33.2640,  54.7200],
    [4.8060 ,  44.3660]
    ])
N = xVec.shape[0]
kex1 = CustomKernels.exampleKernelA
start=perf_counter()
for i in range(0,300):
    K = kex1(N, xVec, N, xVec)
print(' %f secs' %(perf_counter()-start))

给出输出

%run test.py
 0.940515 secs
%run test.py
 0.884418 secs
%run test.py
 0.940239 secs

RESULTS

比较结果似乎Matlab在“”之后大约快 42 倍clear all" 被调用，如果脚本多次运行而不调用 "，那么速度会快 100 倍clear all“。这至少是一个数量级，如果不是快两个数量级的话。这对我来说是一个非常令人惊讶的结果。我原以为结果会是相反的。

有人可以解释一下吗？

有人可以建议一种更快的方法来执行此操作吗？

边注

我也尝试过使用numpy.sqrt这使得性能更差，因此我正在使用math.sqrt in Python.

EDIT

The for调用函数的循环纯粹是虚构的。他们只是为了“simulate" 300调用该函数。正如我之前所描述的，内核函数（kernel_2D in Matlab and kex1 in Python）是从程序中的各个不同位置调用的。为了让问题变得更短，我“simulate" the 300调用使用for环形。这for由于核矩阵的结构，核函数内部的循环是必要且不可避免的。

EDIT 2

这是更大的问题：https://github.com/drfahdsiddiqui/bbfmm2d-python https://github.com/drfahdsiddiqui/bbfmm2d-python

你想摆脱那些for循环。尝试这个：

def exampleKernelA(M, x, N, y):
    """Example kernel function A"""
    i, j = np.indices((N, M))
    # Define the custom kernel function here
    kernel[i, j] = np.sqrt((x[i, 0] - y[j, 0]) ** 2 + (x[i, 1] - y[j, 1]) ** 2)
    return kernel

您还可以通过广播来完成此操作，这可能会更快，但不太直观MATLAB.